IV.5Образование и развитие навыков

Llama3-KALE-LM-Chem-1.5-8B — специализированная диалоговая языковая модель для химии, разработанная лабораторией USTC Knowledge Computing Lab. Это дообученная версия Meta-Llama-3-8B-Instruct с плотной архитектурой Llama и 7,5 млрд параметров; модель распространяется в формате safetensors и рассчитана на контекст до 8192 токенов. Модель предназначена для генерации ответов на вопросы по химии и других текстовых задач в этой области. В README приведены результаты оценивания на ChemBench, MMLU-Chem, SciQ и других бенчмарках, однако они сами по себе не гарантируют точность ответов в практических сценариях. Модель работает с текстом и ориентирована на английский язык. Модель распространяется по лицензии Llama 3. Ее специализация ограничивает применение химической областью, а сгенерированные ответы могут содержать ошибки и требуют проверки.

QuantFactory/llama3-turbcat-instruct-8b-GGUF — квантизированная версия модели turboderp/llama3-turbcat-instruct-8b, созданная с использованием llama.cpp. Модель предназначена для генерации текста и диалоговых сценариев, включая ролевое взаимодействие и использование в качестве API или функции, где важно следовать системному промпту без нерелевантных дополнений. Модель основана на Llama 3 и имеет размер 8B параметров. Она поддерживает английский язык и начальную поддержку китайского, однако качество и полнота китайской поддержки ограничены выбором базовой модели. Для обучения и проверки данных использовались материалы по биологии, биомедицине, биофизике, биохимии, медицине, экзаменационным вопросам GRE, MCAT и китайским вступительным экзаменам в аспирантуру, а также данные для ролевых и сюжетных сценариев. В аннотации участвовали 20 специалистов с докторской степенью и постдоков. Сильные стороны модели — специализированные научные и медицинские данные, поддержка ролевого общения и более сбалансированное покрытие китайских задач по сравнению с англоязычными данными. Ограничения включают ограниченную поддержку китайского языка и отсутствие в README точных сведений о размере контекста, конкретном формате квантизации и показателях качества. Для 8B следует использовать формат чата Llama 3. Указанная лицензия — llama3.

Модель facebook/mms-tts-hus-dialect_westernpotosino разработана Meta в рамках проекта Massively Multilingual Speech (MMS) для синтеза речи на языке хуастек в западно-потосинском диалекте. Это отдельный чекпойнт семейства VITS: модель принимает текст и генерирует речевую аудиоволну. Архитектура VITS объединяет текстовый энкодер на основе Transformer, потоковый модуль, декодер, похожий на HiFi-GAN, и стохастический предсказатель длительности, позволяющий варьировать ритм произношения. Чекпойнт содержит 3,5 млн параметров и доступен в форматах PyTorch и Safetensors. Для повторения того же звучания нужен фиксированный seed, поскольку предсказатель длительности стохастический. Модель предназначена для синтеза речи на указанном языке и диалекте; поддержка других языков не заявлена. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

PixArt-LCM-XL-2-1024-MS — модель генерации изображений по тексту, разработанная командами PixArt и LCM. Она основана на трансформерной латентной диффузии PixArt-α и использует дистилляцию LCM для быстрой генерации за небольшое число шагов. Модель принимает текстовые запросы и создаёт изображения разрешением 1024 пикселя; в карточке заявлено использование фиксированного предварительно обученного текстового кодировщика T5 и VAE. Модель подходит для быстрого создания иллюстраций и концептов, творческих и образовательных инструментов, а также исследований генеративных моделей. В README приведены результаты генерации за четыре шага на разных GPU; фактическая скорость зависит от оборудования и конфигурации. Модель плохо справляется с фотореализмом, читаемым текстом, сложной композицией и деталями вроде пальцев; автоэнкодер вносит потери. Она не предназначена для создания достоверных изображений людей или событий. Лицензия в метаданных указана как OpenRAIL++; README называет CreativeML Open RAIL++-M, поэтому точные условия следует сверять с лицензией репозитория.

Qwen2.5-Math-72B — плотная языковая модель семейства Qwen2.5, разработанная командой Qwen. Это базовая версия с 71,5 млрд параметров для продолжения текста и few-shot решения математических задач; для диалога предназначена версия Instruct. Модель поддерживает рассуждение по цепочке мыслей (CoT) и интегрированное с инструментами рассуждение (TIR), помогающее выполнять точные вычисления и символьные преобразования. Модель ориентирована на математические задачи на английском и китайском языках. Авторы не рекомендуют применять эту серию для других задач. Архитектура — Qwen2ForCausalLM, формат весов — safetensors, библиотека — Transformers; базовый контекст составляет 4096 токенов. Модель создана дообучением Qwen/Qwen2.5-72B. Лицензия указана как other, поэтому конкретные условия использования следует проверять в карточке модели.

Qwen2-Math-7B-Instruct-GGUF — это квантованные файлы модели Qwen2-Math-7B-Instruct в формате GGUF. Исходную модель разработала команда Qwen, а данный набор файлов подготовил MaziyarPanahi. Модель предназначена для генерации текста и ориентирована на решение математических задач в формате инструкций. Модель содержит 7 миллиардов параметров; доступные варианты квантования включают 2-, 3-, 4-, 5-, 6- и 8-битные версии. Поддерживаемые модальности, языки и размер контекста в README не указаны. Формат GGUF предназначен для локального запуска и поддерживается llama.cpp, llama-cpp-python, LM Studio, text-generation-webui, KoboldCpp, GPT4All и другими совместимыми инструментами, включая варианты с GPU-ускорением. К сильным сторонам относятся специализация исходной модели на математических задачах, выбор уровней квантования и широкая совместимость с локальными средствами инференса. Ограничения — отсутствие в README подробностей о точности, языковой поддержке, контексте, архитектуре и требованиях к ресурсам; квантование также может влиять на качество по сравнению с исходной моделью. Лицензия в предоставленных данных не указана.

Qwen2-Math-RM-72B — англоязычная reward-модель, разработанная командой Qwen для оценки качества математических рассуждений и промежуточных шагов. Она построена на плотной архитектуре Qwen2 и содержит 71,5 млрд параметров; контекст — до 4096 токенов. Модель дообучена на Qwen/Qwen2-Math-72B-Instruct. Её применяют для отбора качественных ответов с помощью rejection sampling, подачи сигнала вознаграждения при обучении с подкреплением и выбора лучшего варианта из нескольких сгенерированных ответов (Best-of-N, RM@N). README также описывает использование оценок для улучшения математических данных и моделей Qwen2-Math. Модель принимает текст и выдаёт классификационную оценку качества рассуждений. В метаданных указана лицензия other; конкретные условия использования следует сверить с лицензией репозитория.

QwQ-Unofficial-14B-Math-v0.2-GGUF — это GGUF-квантизированная версия языковой модели QwQ-14B-Math-v0.2, разработанной qingy2024 и подготовленной квантизатором bartowski. Модель предназначена для генерации текста и ориентирована прежде всего на математические задачи и рассуждения. В качестве обучающего набора указан qingy2024/QwQ-LongCoT-Verified-130K, а модель относится к семейству Qwen2 и поддерживает английский язык. Модель имеет около 14 миллиардов параметров и работает в текстовом режиме. В репозитории представлены варианты от F16 до низкобитных Q2–Q8, созданные с использованием imatrix в llama.cpp. Это позволяет выбирать между качеством ответов и требованиями к памяти; для большинства сценариев рекомендуются варианты Q4_K_M, Q5 и Q6. Доступен запуск через llama.cpp и LM Studio с указанным шаблоном prompt format. Сильными сторонами являются специализация на математике, наличие вариантов с разным балансом качества и размера, а также совместимость с локальным запуском. Ограничения включают отсутствие мультимодальности в заявленных данных, поддержку только английского языка и неизбежное снижение качества в наиболее компактных квантизациях. Размер контекста и подробные результаты оценки в README не указаны. Указанная лицензия — Apache-2.0.

Revision Assistant — Manuscript Quality — модель классификации текста для оценки качества рукописей, предназначенная для использования в приложении Revision Assistant. Это BERT-модель с архитектурой BertForSequenceClassification и 137,1 млн параметров; она принимает текст и выдаёт результат классификации. Карточка указывает на запуск в браузере через Transformers.js, а README — на ONNX-веса в квантованном формате int8 и токенизатор. Контекст модели составляет 512 токенов. Модель подходит для помощи при проверке академических текстов и редакционной оценке рукописей. Сведения о точных классах классификации, обучающих данных и ограничениях качества в карточке не приведены. Условия лицензии не указаны в предоставленных данных.

QuantFactory/rho-math-1b-interpreter-v0.1-GGUF — квантованная версия языковой модели Rho-Math-1B-Interpreter-v0.1, разработанной Microsoft и преобразованной QuantFactory с использованием llama.cpp. Модель предназначена для генерации текста и решения математических задач, включая сценарии с интерпретатором кода и инструментально интегрированным рассуждением. Модель основана на Rho-1 и использует Selective Language Modeling (SLM) — подход к предобучению, при котором обучение сосредоточено на информативных и качественных токенах. Размер исходной модели составляет около 1,1 млрд параметров. Модель относится к текстовым causal language models, ориентирована на английский язык; поддерживаемые модальности — текстовые. Размер контекстного окна в README не указан. К сильным сторонам относятся специализация на математическом рассуждении и высокая эффективность для компактной модели: заявлено более 40% точности на датасете MATH, а версия Rho-Math-1B показывает 36,2% на GSM8K и 15,6% на MATH в few-shot оценивании. Ограничения включают небольшой размер по сравнению с крупными моделями, ориентацию преимущественно на английский язык, зависимость качества от формата запросов и инструментов исполнения кода, а также отсутствие в README подробностей о квантовании, контекстном окне и характеристиках инференса. Модель распространяется по лицензии MIT.

SDXL-Turbo — модель генерации изображений по текстовому описанию, разработанная Stability AI. Репозиторий unsloth/sdxl-turbo — зеркало исходной модели с неизменёнными весами; Unsloth указывает, что условия лицензии совпадают с upstream. Модель основана на SDXL 1.0 Base и использует дистилляцию Adversarial Diffusion Distillation для генерации за один–четыре шага, включая режим одного прохода для быстрого создания изображений. Модель предназначена для быстрого прототипирования изображений, художественных и дизайнерских задач, а также творческих и образовательных инструментов. Она принимает текстовые запросы и выдаёт изображения; также описано применение для преобразования изображений. Предпочтительный размер генерации — 512×512 пикселей. Ограничения включают нестабильное качество лиц и людей, отсутствие надёжного рендеринга читаемого текста и несовершенный фотореализм. Модель не предназначена для достоверного изображения реальных людей или событий. В README указано, что возможны некоммерческое и коммерческое применение, однако для коммерческого использования предлагается отдельно свериться с условиями Stability AI; в метаданных лицензия обозначена как other.

chenguolin/stable-diffusion-v1-5 — копия контрольной точки Stable Diffusion v1.5, разработанной Робином Ромбахом и Патриком Эссером. Это латентная диффузионная модель, которая создаёт и редактирует изображения по текстовым запросам; для текстового условия использует предварительно обученный энкодер CLIP ViT-L/14. Модель можно запускать через Diffusers и исходный репозиторий RunwayML. Контрольная точка основана на Stable Diffusion v1.2 и дообучена на 595 тысячах шагов при разрешении 512×512 на данных LAION-Aesthetics v2 5+. Модель подходит для создания иллюстраций, художественных изображений и материалов для творческих инструментов. Лучше всего работает с английскими запросами. Она может ошибаться в фотореалистичности, отображении текста, лиц и сложных пространственных отношений; также возможны смещения и запоминание обучающих изображений. В обучающих данных присутствовал контент для взрослых, поэтому для развёртывания рекомендуется использовать safety checker Diffusers и учитывать условия лицензии CreativeML OpenRAIL-M.

ALBERT for ARQMath 3 — модель AnReu для поиска ответов на математические вопросы. Она основана на ALBERT-base-v2, дополнительно предобучена на Math StackExchange в три этапа и дообучена на классификацию пары «вопрос — ответ»: модель оценивает, соответствует ли ответ вопросу, а классификационный результат можно использовать для ранжирования ответов. Модель принимает текст вопроса и ответа, включая математические формулы, для которых в токенизатор добавлены дополнительные токены LaTeX. Архитектура — ALBERT, размер — 136,7 млн параметров, контекст — до 512 токенов. В карточке указана поддержка английского языка. Доступны веса PyTorch и Safetensors. Лицензия в предоставленных данных не указана.

Baichuan-M2-32B — медицинская модель рассуждений компании Baichuan AI, дообученная на базе Qwen/Qwen2.5-32B. Это плотная авторегрессионная модель семейства Qwen2 с 32 млрд параметров, рассчитанная на генерацию текста и диалоговое взаимодействие; контекст составляет до 131 072 токенов. Для адаптации к медицине применялись специализированное дообучение, многоэтапное обучение с подкреплением и Large Verifier System с симуляторами пациентов и многомерной проверкой ответов. Модель предназначена для медицинского образования, ответов на вопросы о здоровье и поддержки клинических решений, сохраняя также общие и математические навыки. В README заявлена поддержка английского и китайского языков. Модель распространяется в форматах PyTorch и Safetensors по лицензии Apache-2.0. Она предназначена для справочного и исследовательского использования и не заменяет профессиональную диагностику или лечение; применять её рекомендуется под наблюдением медицинских специалистов.

Это модель ответов на вопросы на основе BERT Large с некейсовой токенизацией и whole-word masking. Она дообучена на базе bert-large-uncased-whole-word-masking-finetuned-squad на наборе SQuAD v2 и предназначена для извлечения ответа из предоставленного текста, в том числе для обработки вопросов без ответа в контексте. В README приведена оценка loss 0,3855 на наборе оценки. Модель содержит 433,9 млн параметров, использует архитектуру BertForQuestionAnswering и работает с контекстом до 512 токенов. Она рассчитана на английский язык; специализированная версия ориентирована на вопросы по исламской тематике, однако подробности обучающих данных и отраслевые ограничения в карточке не раскрыты. Доступна в формате PyTorch под лицензией Apache-2.0.

CAT-Thinking — диалоговая языковая модель CyberAgent на архитектуре Qwen3 с 7,6 млрд параметров. Она дообучена методом обучения с подкреплением для генерации цепочек рассуждений на японском языке. Модель рассчитана на решение задач по математике и программированию, в том числе когда запрос написан по-английски; ответы и ход рассуждений формируются на японском. Модель построена на базе Qwen3-Swallow-v0.2, которая продолжает предобучение Qwen3 для японского языка. Метаданные указывают связь с Qwen/Qwen3-8B и TokyoTech-LLM/Qwen3-Swallow-8B-CPT-v0.2 через слияние моделей. Используются веса Safetensors; нативный контекст — 40 960 токенов. В карточке приведены оценки на наборах задач по математике и программированию на японском и английском, но результаты следует считать ориентировочными. Ход рассуждений на японском может звучать неестественно: модель иногда начинает с повторяющихся шаблонных фраз и может зацикливаться, особенно при противоречивых или запутанных инструкциях. В README рекомендовано задавать не менее 4096 токенов для генерации и использовать repetition_penalty от 1,05. Модель распространяется по лицензии Apache-2.0.

FormosanBank/formosan-asr-amis — модель автоматического распознавания речи на языке ами. Это дообученный вариант XLS-R 53 на базе facebook/wav2vec2-large-xlsr-53 с 402,7 млн параметров. Обучение включало продолженное самообучение на пан-формозских аудиоданных, supervised-обучение распознаванию речи и адаптацию к ами. Модель принимает аудио и выдаёт текстовую транскрипцию. Она предназначена для исследования, обучения, документирования и поддержки возрождения языка ами. В описанном протоколе оценки на шести тестовых корпусах получены нормализованные micro WER 7,67% и CER 1,89%; результаты зависят от корпуса и условий записи. Для использования Transformers доступен pipeline automatic-speech-recognition. Лицензия — CC BY 4.0.

bartowski/internlm2-math-20b-llama — текстовая чат-модель семейства Llama на 19,3 млрд параметров, полученная конвертацией модели InternLM в архитектуру Llama. В карточке указано, что конверсию выполнили скриптом Charles Goddard; исходный репозиторий и подробности о назначении math-версии в README не приведены. Модель предназначена для генерации текста в формате чата. Контекст составляет 8192 токена. Репозиторий содержит веса Safetensors; метаданные указывают лицензию other. Специализацию на математике можно предположить по названию, но конкретные математические возможности и качество не описаны.

Модель sbx/KB-bert-swedish_PI-detection-detailed разработана Språkbanken Text в рамках исследовательской среды Mormor Karl и опубликована Марией Иреной Шаверной. Это дообученная модель BERT для классификации отдельных токенов в шведском тексте: она выявляет и размечает личные и чувствительные сведения, включая имена, адреса, контакты, идентификаторы, даты, сведения об образовании и семье. Модель основана на KB/bert-base-swedish-cased, содержит 151,9 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт метки для токенов. Она предназначена для предварительной разметки и помощи человеку при аннотации или деидентификации эссе изучающих шведский как второй язык. Лицензия — GPL-3.0. Качество модели лучше всего ожидается в исходном домене обучающих данных; на других типах текстов и для редких либо ранее не встречавшихся видов личных данных оно может снижаться. Модель не гарантирует обнаружение всех сведений и не должна самостоятельно автоматизировать разметку или деидентификацию; результаты требуют проверки человеком.

Meerkat-8B версии 1.0 — медицинская диалоговая модель семейства Meerkat, разработанная на основе Meta Llama-3-8B-Instruct и дообученная на синтетических рассуждениях по 18 медицинским учебникам и наборах инструкций. Это плотная авторегрессионная модель Llama с 7,5 млрд параметров, рассчитанная на контекст до 8192 токенов и работающая с текстом. Модель предназначена для ответов на медицинские вопросы, решения задач формата USMLE и других тестов с выбором ответа, а также для следования разнообразным инструкциям. В README описана оценка на семи медицинских бенчмарках, включая MedQA, MedMCQA и MMLU-Medical. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение. Модель может помогать разбирать учебные и экзаменационные задачи, однако её ответы не следует считать заменой профессиональной медицинской оценки. Результаты зависят от формулировки запроса; для воспроизведения результатов бенчмарков авторы рекомендуют использовать системные сообщения, применявшиеся при обучении.

LlamaTron RS1 Nemesis — медицинская языковая модель, созданная разработчиком Rumiii дообучением Meta Llama-3.2-1B-Instruct с помощью QLoRA. Модель с архитектурой LlamaForCausalLM содержит 1,2 млрд параметров и предназначена для диалогов и рассуждений по клиническим вопросам: дифференциальной диагностики, планирования лечения, фармакологии и анализа клинических случаев. Для обучения использован набор Medical-Reasoning-SFT-MiniMax-M2.1 с 204 773 диалогами; карточка указывает английский язык. Метаданные сообщают контекст 131 072 токена, тогда как README указывает максимальную длину последовательности обучения 512 токенов, что может ограничивать работу с длинными клиническими текстами. Модель предназначена для исследовательских и образовательных целей и не заменяет консультацию врача, диагностику или лечение. Лицензия репозитория — Apache-2.0.

Это англоязычная модель суммаризации научных публикаций, разработанная pszemraj и дообученная на наборе lay summaries для статей eLife. Она преобразует научный текст в краткое изложение простым языком, рассчитанное на читателей без специальной подготовки; при декодировании автор рекомендует beam search. Модель построена на encoder-decoder архитектуре LongT5 с механизмом TGlobal, содержит 123,8 млн параметров и поддерживает контекст до 4096 токенов. Модель предназначена прежде всего для упрощения и пересказа научных работ в области биологии и биомедицины. На оценочном наборе eLife указаны ROUGE-1 38,56, ROUGE-2 9,73 и ROUGE-L 21,20. Обобщение за пределами домена биомедицинских публикаций требует отдельной проверки. Базовая модель — google/long-t5-tglobal-base; лицензия — Apache-2.0.

facebook/mms-tts-ood — модель синтеза речи на языке тохоно-оодхам (Tohono O’odham), созданная Meta в рамках проекта Massively Multilingual Speech. Это отдельный чекпойнт для одного языка на архитектуре VITS, который преобразует входной текст в речевую волну. Модель содержит около 3,5 млн параметров и доступна через библиотеку Transformers. VITS объединяет текстовый энкодер на основе Transformer, вариационный автоэнкодер, flow-модуль и декодер, построенный по принципу HiFi-GAN. Стохастический предиктор длительности позволяет синтезировать разные ритмы для одного текста; поэтому результат может меняться между запусками, а для повторяемого аудио нужен фиксированный seed. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Nexus-4x7B-Internal-Knowledge-Map — экспериментальная дообученная языковая модель Severian на базе архитектуры Mixtral, обученная на датасете Internal Knowledge Map для рассуждений и генерации ответов на вопросы в разных областях знаний. Она предназначена для связывания сведений из разных дисциплин, решения сложных задач и подготовки идей, в том числе в научных, технологических, экологических и гуманитарных контекстах. В карточке указано дообучение в течение 10 эпох; метаданные указывают 7,1 млрд параметров и контекст до 32 768 токенов. Модель принимает текст и генерирует текст. Это экспериментальная работа, представленная разработчиком как ранняя версия для проб и дальнейших итераций. Пример ответа и сравнительная оценка в README не подтверждают стабильно более высокое качество; результаты следует проверять на целевых задачах. Лицензия — MIT.

OpenMath-Nemotron-32B-GGUF — это квантизированная версия языковой модели OpenMath-Nemotron-32B, разработанной NVIDIA и подготовленной в формате GGUF пользователем bartowski. Модель ориентирована на генерацию текста, прежде всего на решение математических задач и рассуждения на английском языке; в карточке также указано использование датасета NVIDIA OpenMathReasoning. Модель содержит 32 млрд параметров и предназначена для запуска через llama.cpp, LM Studio и другие совместимые проекты. Доступны варианты с разными уровнями квантизации — от BF16 до Q3 и IQ3, с размером файлов примерно от 13,71 до 65,54 ГБ. Для взаимодействия используется шаблон чата с ролями system, user и assistant. Мультимодальность и размер контекстного окна в данных не указаны. Сильной стороной являются специализированная математическая направленность и широкий выбор квантизаций, позволяющий находить баланс между качеством и требованиями к памяти. При этом более компактные варианты снижают качество, а для запуска крупных вариантов требуются значительные вычислительные ресурсы; подробные результаты тестирования в README не приведены. Указана лицензия CC BY 4.0.

OGBert v1 MLM — англоязычная модель masked language modeling, разработанная mjbommar на основе ModernBERT и обученная на синтетическом энциклопедическом словаре OpenGloss v1.1. Она предназначена прежде всего для предсказания пропущенных слов в определениях и текстах со специальной терминологией, а также для извлечения признаков и дальнейшего дообучения под профильные задачи. Модель имеет encoder-only архитектуру ModernBERT с 10 слоями, скрытым размером 384 и 36,2 млн параметров. Контекст составляет до 1024 токенов. Обучающий корпус включает около 160 млн слов и определения из 16 областей и 11 уровней чтения; модель рассчитана на английский язык. В README отмечены хорошие результаты на географической и математической терминологии, а также на задачах поиска и кластеризации. Модель доступна по лицензии Apache-2.0. Её оценки сходства слов относительно низкие, поэтому для тонкого сравнения семантической близости может потребоваться контрастивное дообучение. Качество также различается между областями: например, на искусстве и истории оно ниже, чем на географии и математике.

Qwen2.5-Math-72B-Instruct-GGUF — квантизированная версия языковой модели Qwen2.5-Math-72B-Instruct, подготовленная bartowski в формате GGUF для запуска через llama.cpp и совместимых приложений, включая LM Studio. Исходная модель разработана командой Qwen и ориентирована на генерацию текста в диалоговом формате, прежде всего на решение математических задач и рассуждения на английском языке. Модель имеет размер 72 млрд параметров и поставляется в нескольких вариантах квантования: от Q8_0 с максимальным качеством до более компактных IQ1, IQ2, IQ3 и Q2–Q6 форматов. Наиболее рекомендуемыми в README названы Q6_K, Q5_K_M, Q4_K_M и IQ4_XS; Q4_K_M описан как стандартный компромисс между размером и качеством. Размер файлов составляет примерно от 23,74 до 77,26 ГБ. Для некоторых вариантов используются неквантизированные до Q8_0 веса embedding и output, что может повышать качество, но эффект зависит от сценария. Сильной стороной является специализация исходной модели на математических задачах и широкий выбор квантованных вариантов для различного объёма доступной RAM. Более агрессивное квантование уменьшает требования к памяти, но снижает качество; варианты Q2, Q3 и IQ1 имеют заметные ограничения, а IQ1_M не рекомендуется. Мультимодальность, длина контекста, точная архитектура и поддерживаемые языки кроме английского в README не указаны. Используется лицензия Qwen; конкретные условия следует уточнять в лицензии исходной модели.

Qwen3-1.7B-Distilled-30B-A3B-SFT-GGUF — это набор GGUF-квантизаций компактной языковой модели Qwen3-1.7B, разработанный Reaperdoesntrun и исследовательским подразделением Convergent Intelligence LLC. Модель предназначена для локального и edge-развёртывания через llama.cpp и совместимые среды, включая Ollama и LM Studio. Она поддерживает генерацию текста, выполнение инструкций, структурированные рассуждения, а также задачи в области STEM и юридической тематике. Модель создана в два этапа: сначала Qwen3-1.7B дистиллировали из Qwen3-30B-A3B-Instruct-2507 на 6 122 образцах STEM-рассуждений с акцентом на пошаговые выводы, затем дообучили на наборе Alignment-Lab-AI/Lawyer-Instruct для instruction-following и юридических знаний. Доступны варианты F16, Q8_0, Q5_K_M и Q4_K_M размером примерно от 1,2 до 3,8 ГБ; Q5_K_M рекомендован для настольных систем, а Q4_K_M — для мобильных и edge-устройств. В README указан английский язык, однако точная длина контекста и мультимодальные возможности не описаны. Сильными сторонами являются небольшой размер, возможность запуска на телефонах и локальная работа, а также специализация на физике, дифференциальных уравнениях, математических выводах и юридических инструкциях. Ограничения включают риск убедительных, но ошибочных рассуждений, слабую надёжность в качестве формального доказательства, юридической консультации или профессионального инженерного анализа и более низкую эффективность в слабо представленных областях, включая молекулярную биологию и физиологию. Распространение указано по лицензии Apache-2.0.

Карточка модели etiennebamas/qwen3-lr-2-e-5 на Hugging Face совпадает с карточкой formalmathatepfl/qwen3-sft-feedback-with-proof-repair, поэтому описание составлено по ней. Qwen3-2e5 — диалоговая языковая модель семейства Qwen3, разработанная formalmathatepfl и дообученная на наборе SFT на основе formalmathatepfl/qwen3-cpt. Модель содержит 7,6 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и принимает текстовые запросы, генерируя текстовые ответы. Длина контекста — до 32 768 токенов. Модель предназначена для генерации текста в диалоговом формате. Название репозитория указывает на обратную связь и исправление доказательств, но README не раскрывает конкретные сценарии, состав обучающих данных или результаты оценки. Лицензия указана как other, поэтому условия использования следует уточнить в карточке модели.

RecGPT-7B-Instruct — языковая модель, разработанная Hoang Ngo и Dat Quoc Nguyen для текстовых рекомендательных систем. Это версия RecGPT-7B, настроенная следовать инструкциям; модель основана на архитектуре MPT и предназначена для генерации текста в задачах рекомендаций. Модель рассчитана на прогнозирование рейтингов и последовательные рекомендации по текстовым данным. Авторы сообщают, что в экспериментах она превзошла сильные базовые методы на этих задачах. Доступны модели, а также наборы данных для предварительного обучения и дообучения. В карточке указана лицензия CC BY-NC 4.0, которая ограничивает коммерческое использование.